modalita` di controllo dei sistemi di monitoraggio in continuo delle

WAREHOUSE
9 Settembre 2016
MODALITA’ DI CONTROLLO DEI SISTEMI DI
MONITORAGGIO IN CONTINUO DELLE EMISSIONI
Ing. Ceccherini Lorenzo
1
Schema dell’impianto di incenerimento di AISA IMPIANTI
Fosse
Forno
Lorenzo Ceccherini
Caldaia
Trattamento
Fumi
Sistema di
monitoraggio
emissioni
2
Sistema di Monitoraggio delle Emissioni (SME)
Lo SME è in grado di analizzare in modo continuo i parametri significativi dei gas di
combustione dell’intero processo di combustione dei rifiuti e depurazione dei fumi.
I sistemi di monitoraggio in continuo delle emissioni (SME)in generale si dividono in:
 sistemi di misura estrattivi
in cui il campione viene
estratto dal flusso gassoso
nel condotto e inviato
all’analizzatore;
 sistemi di misura non estrattivi o in situ
in cui la misura della concentrazione
dell’inquinante è eseguita direttamente
sul flusso gassoso all’interno del
condotto.
Quali vantaggi ha il sistema estrattivo rispetto a quello in situ?
 Uso di apparecchiature complesse che si possono porre a terra
 Più facile gestione e manutenzione
Infatti il più utilizzato in Italia, e da AISA IMPIANTI, è il sistema estrattivo .
Lorenzo Ceccherini
3
Sistema di Monitoraggio delle Emissioni (SME)
Il sistema di tipo estrattivo è costituito da
una sonda di prelievo gas al camino
(posizionata a 20 m da terra) e tubazione
in teflon coibentato e scaldato a circa 180
°C per evitare la condensazione dei
componenti volatili. Esso è costituito da:
• un analizzatore FTIR (Fourier Trasform
Infrared Spectroscopy)per controllare le
emissioni al camino,
• un analizzatore di carbonio organico
totale MULTIFID.
• un opacimetro per la misurazione delle
polveri .
• un analizzatore di portata, umidità,
pressione e temperatura.
Lorenzo Ceccherini
4
FTIR (spettrometria ad infrarosso associata all’uso della trasformata di Fourier)
Lo strumento è uno spettrometro ed effettua analisi di gas multi-componenti grazie
all’utilizzo della tecnologia infrarossa basata sulla trasformata veloce di Fourier.
Lo strumento è concepito per poter essere
utilizzato in un sistema estrattivo costituito
sommariamente da una sonda di prelievo, ,
posizionata a 20 m da terra, direttamente
connessa al processo.
Per non alterare la composizione dei fumi, la
linea di trasporto dalla sonda di prelievo
all’analizzatore è costituito da un tubo di
prelievo
di
teflon,
coibentato
opportunamente e riscaldato.
Il mantenimento del gas ad una temperatura di 180 °C (+/- 5°C per il
prelievo/trasporto gas e +/- 0,5 °C per la cella di misura), assicura l’integrità del
campione e consente il monitoraggio di componenti acidi ed evita la condensazione
di inquinanti con bassa temperatura di rugiada
Lorenzo Ceccherini
5
Una sorgente luminosa emette un raggio nel
campo dell’IR; tale raggio giunge ad uno
specchio semiriflettente che lo divide in 50%
ad uno specchio fisso e 50% allo specchio
mobile. I raggi riflessi da questi specchi sono
inviati un’altra volta allo specchio
semiriflettente il quale ricongiunge i due
raggi e li invia al rivelatore .
Grazie al movimento di specchi i due fasci
prodotti hanno una differenza di fase e
quando si ricombinano l’ intensità IR
prodotta varia con la posizione dello
specchio.
Il rivelatore IR registra un segnale in
funzione del tempo
noto come
interferogramma.
Questo segnale è collegato con una trasformazione di Fourier, uno strumento per la
conversione del segnale da un dominio del tempo I(t) a un segnale nel dominio della
frequenza I(f).
Lo spettro che si ottiene si confronta con quelli contenuti nel database dello
strumento. Vengono così identificati gli inquinanti e mostrata su display la quantità
degli stessi in mg/m3.
Lorenzo Ceccherini
6
Multi-FID (Flame Ionization Detector)
Il gas campione da analizzare una volta uscito dal FTIR, entra in un analizzatore a celle
elettrochimiche di fiamma (FID) per la misura del contenuto di Carbonio organico
Totale (COT).
Tale strumento è un rivelatore gas-cromatografico a ionizzazione di fiamma, ottimo
per determinare la quantità di Carbonio Organico Totale (COT) presente nei fumi, in
modo da rilevare la quantità di idrocarburi presenti (perché residui della
combustione).
Quando il gas arriva, i composti organici si decompongono formando ioni positivi e
negativi. Quelli positivi vengono attratti dall’anodo (l’elettrodo negativo) che gli cede
elettroni generando una debole corrente rilevata da un apposito amperometro. Più
idrocarburi ci sono, maggiore sarà la corrente generata.
Lorenzo Ceccherini
7
Opacimetro
La misura delle polveri viene eseguita ad una quota di
16 m circa al camino. La misura avviene in continuo
senza alcun prelievo o contatto con l’effluente
gassoso.
Per eseguire la misura del contenuto di polveri nei gas
in uscita dal camino viene usato un misuratore a
diffrazione ottica installato direttamente al camino.
Lo strumento utilizza la tecnica della luce diffusa: la
luce modulata in una luce alogena sotto forma di cono
illumina le particelle di polvere nel condotto fumi, la
luce diffusa da queste particelle viene rilevata da un
unità ottica.
Detto sensore converte la luce diffusa in un segnale di corrente proporzionato
all’intensità del raggio luminoso che a sua volta è proporzionale alla
concentrazione di particelle di polvere nel volume di misura.
Va premesso che non tutti gli inquinanti possono essere analizzati tramite uno SME,
ovvero in continuo.
Lorenzo Ceccherini
8
I valori che uno FTIR è in grado di misurare in continuo sono:
I valori di altri parametri come diossine(PCDD-IPA etc.) ed altri microinquinanti sono
ricavati da campionamenti periodici quadrimestrali commissionati dall’Azienda a
laboratori specializzati ed accreditati.
Lorenzo Ceccherini
9
Sistema di Monitoraggio delle Emissioni (SME)
Tutti i valori numerici che sono misurati in
continuo, con un tempo di campionamento di
circa 1 minuto, vengono inviati ad un software
che li gestisce, li normalizza(cioè riferite a fumi
secchi alle condizioni normali 0 °C e 0,1013 MPa
ed ad un contenuto di ossigeno pari all’11% per
gli inceneritori) per poi poter essere confrontati
con i limiti di legge riferiti sia alla media
giornaliera che semioraria.
Lorenzo Ceccherini
10
I dati forniti dall’impianto per un analisi statistica fanno riferimento ai valori di emissione
misurati nel mese di Ottobre 2014
Prendiamo i valori degli NO come studio di riferimento, ma può esser preso qualunque altro
valore misurato in continuo.
Lorenzo Ceccherini
11
La presenza degli ossidi di azoto in atmosfera è dovuta principalmente ai processi
di combustione o dell’azoto contenuto nel combustibile con ossigeno.
•
N2 + O2  2NO
•
2NO + O2  2NO2
In presenza di umidità da NO2
si forma acido nitrico ( HNO3)
che determina oggi buona
parte dell’acidità delle piogge.
• NO2 + OH  HNO3
Lorenzo Ceccherini
12
Serie Temporale o Storica
Una serie temporale è un insieme di dati indicizzati dal tempo ed è composta da
misure generate da un processo continuo.
L’analisi delle serie temporali (Time Series Analysis ) cerca di spiegare quei
fenomeni che si evolvono nel tempo attraverso la registrazione cronologica dei
dati.
Secondo l’approccio tradizionale, si assume che la serie temporale abbia una
parte DETERMINISTICA, comprendente quei valori che possono essere
esattamente determinati sulla base dei valori precedenti, a cui si sovrappone una
parte STOCASTICA i cui valori sono componenti casuali totalmente imprevedibili.
Lorenzo Ceccherini
13
La parte deterministica è la risultante di tre componenti osservabili che è possibile dividere
in:
 Trend( o componente tendenziale) è una componente che varia lentamente nel tempo
e che essenzialmente determina il livello della serie;
 Stagionalità (o componente stagionale) è una o più componenti periodiche, ovvero che
si “ritrovano” uguali o quasi a distanza fissa nel tempo (ad esempio, in serie mensili ogni
12 mesi, in serie trimestrali ogni 4 trimestri, in serie giornaliere, ogni 7 giorni);
 Ciclo (o componente congiunturale) è un’alternanza di fluttuazioni , rappresentate come
serie armoniche sinusoidali di frequenze multiple.
Lorenzo Ceccherini
14
L’ OBBIETTIVO dunque è quello di scomporre il
segnale nelle sue componenti, ipotizzando che la
componente deterministica sia quella che
contiene l’informazione mentre la parte stocastica
è quella che contiene il rumore.
1
2
3
In generale l’analisi della serie temporali si compone
essenzialmente di tre obbiettivi:
4
1) Esame dei dati: ovvero la descrizione sintetica del
fenomeno, la scomposizione nelle componenti
deterministiche e l’analisi di presenza di valori
anomali.
2) Filtraggio: che prevede la filtrazione dei dati per
ridurre la componente del rumore, per la rimozione
dei dati inconsistenti ( outlier ), per la valutazione dei
dati, per l’estrazione e l’isolamento di
comportamenti tipici.
3) Utilizzo: ovvero previsioni di andamenti futuri.
5
6
Lorenzo Ceccherini
15
1
Ingresso serie naturale
Il grafico cronologico o time plot costituisce il primo grafico da presentare in una
analisi statistica di una serie poiché mediante esso si individua immediatamente il suo
comportamento (pattern) e le modalità con cui si manifesta nel tempo
Lorenzo Ceccherini
16
2
Ricerca del trend
Occorre controllare se sono presenti dei comportamenti non stazionari e in tal caso
eliminarli, per questo è necessario detrendizzare le serie di partenza, questo significa
approssimare la serie temporale ad una retta che ne rappresenta l’andamento
complessivo, cioè il trend.
Lorenzo Ceccherini
17
3
Analisi del contenuto in frequenze della serie temporale
ampiezza
Quando il segnale viene esaminato nel suo dominio temporale è molto difficile, se
non impossibile, distinguere ad esempio la parte deterministica dalla parte stocastica,
mentre un'analisi di frequenza separa le componenti nelle varie bande di frequenza.
 In generale la parte ricca di informazioni è di solito la componente che si trova
nelle basse frequenze.
 Anche il trend si trova per basse frequenze.
 La parte stagionale e ciclica di solito si trovano in delle frequenze ben definite.
 Il rumore, ovvero la parte stocastica, è confinata nelle alte frequenze
Lorenzo Ceccherini
18
Analisi del contenuto in frequenze della serie temporale
La trasformazione matematica che converte un funzione di tempo
S (t) in funzione della frequenza S (f), e viceversa, è stata introdotta
dal Francese matematico Jean B. Joseph Fourier (1768-1830)
Lorenzo Ceccherini
19
Trasformando la nostra serie temporale dipendente dal tempo ad una funzione dipendente dalla
frequenza, ottengo che:
Lorenzo Ceccherini
20
Data la gran quantità di dati , se si effettuasse un campionamento ogni 15 min e 30 min l’analisi in
frequenza di tali valori sarebbe:
Lorenzo Ceccherini
21
Data la gran quantità di dati , se si effettuasse un campionamento ogni 15 min e 30 min l’analisi in
frequenza di tali valori sarebbe:
Rumore  zero
Lorenzo Ceccherini
22
4
Denoising
Il denoising è fondamentale in quanto la componente di rumore riduce l’accuratezza dei dati e
può mascherare l’informazione contenuta nei dati .
5
Splines
Analizzando il denoising con splines, si osserva che la funzione splines è un
semplice strumento per lo smoothing dei dati (ovvero per la riduzione delle
irregolarità di una serie di dati) e per l’interpolazione dei dati mancanti.
Lorenzo Ceccherini
23
Dove p è il parametro di smoothing, che dipende dalla natura dei dati che si
analizzano (per p=0 si ottiene la retta ai minimi quadrati, per p=1 non si ha alcuna
attenuazione della scabrezza e perciò si ottiene l’interpolante naturale ai dati);
Lorenzo Ceccherini
24
Molto importante, prima di procedere alla scelta del giusto parametro p, effettuare
una verifica sullo spettro di frequenza. All’aumentare di p le alte frequenze (rumore)
si attenuano fortemente, ma si attenuano anche le componenti periodiche.
Rumore del
segnale originale
Rumore del segnale
attenuato
Lorenzo Ceccherini
25
Ma cosa succede se dai dati di partenza effettuo un campionamento, ad esempio
ogni 30 minuti?
Lorenzo Ceccherini
26
Un analisi sullo spettro di frequenza ci mostra
Rumore del segnale
campionato ogni 30
min
Rumore del segnale
attenuato
Lorenzo Ceccherini
27
Andando a confrontare gli spettri di frequenza del segnale originale e del segnale
campionato(30 min.), e riportandolo in scala semilogaritmica.
Effettuare un campionamento sui dati ha portato a una riduzione di informazione
Lorenzo Ceccherini
28
6
Individuazione degli outliers e analisi dei residui
Una volta effettuato lo smoothing la differenza fra la serie originale e quella
approssimata rappresenta il vettore dei residui.
I residui rivestono un ruolo importante per verificare l’efficacia e la correttezza del
denoising, poiché rappresentano la parte di dati che il modello non riesce a
spiegare.
Lorenzo Ceccherini
29
Se un residuo supera una soglia prefissata allora viene detto OUTLIER, che indica
all’interno di un insieme di osservazioni un valore inconsistente e aberrante, ossia
un dato che si discosta numericamente dalle altre osservazioni disponibili.
Outliers
3σ=38,2443
-3σ=38,2443
Outliers
Lorenzo Ceccherini
30
Test di Lilliefors
Il residuo e l’outliers fanno parte della componente stocastica del segnale, quella
impredicibile che viene eliminata dai processi di denoising. Per poter distinguere i
valori anomali dal rumore si tiene conto del fatto che generalmente il rumore ha
una distribuzione di tipo gaussiano.
Il test di Lilliefors valuta l’ipotesi che un insieme di dati X sia distribuito in modo
gaussiano senza riferimento alla sua media e varianza, esso valuta gli scostamenti
da un’equivalente distribuzione gaussiana di pari media e varianza.
La risposta del test può essere 0 o 1 con il seguente significato:
• H=0
Lorenzo Ceccherini
• H=1
31
La gaussianità dei residui può essere accertata con il test di Lilliefors, che in questo
caso indica che è possibile accettare l’ipotesi che la distribuzione dei residui sia
gaussiana poiché il test fornisce un H=0.
Lorenzo Ceccherini
32
In conclusione
Il segnale studiato è composto da due parti: parte deterministica e parte stocastica.
La parte deterministica si ottiene da un denoising con splines della serie temporale,
mentre il rumore, se gaussiano, è dato da una componente casuale, sommandoli si
ottiene la serie sintetica.
Lorenzo Ceccherini
33
In conclusione
E’ stato visto che un periodo di campionamento ad alta frequenza( 1 min.) , come
quello presente all’impianto di termovalorizzazione di AISA IMPIANTI, comporta :
 l’utilizzo di apparecchiature costose e la raccolta di una gran quantità di dati.
 la possibilità di trovare dati ridondanti o superflui; ed il campionamento del
rumore che è privo di informazioni.
Invece un periodo di campionamento a basse frequenze(ad esempio 15, 30 min.)
comporta :
 L’utilizzo di apparecchiature meno costose, un monitoraggio più semplice, una
minor quantità di dati ma la possibilità di perdita di informazione nei dati
raccolti.
Ecco perché avere un sistema di misurazione delle emissioni (SME) in continuo con
un intervallo di tempo il più piccolo possibile permette di avere un controllo ed un
monitoraggio migliore sui gas di emissione in atmosfera.
Lorenzo Ceccherini
34
Si ringrazia per l’attenzione
Lorenzo Ceccherini
35